Natural Language Processing untuk Sentimen Analisis Presiden Jokowi Menggunakan Multi Layer Perceptron

Authors

  • Nico Munasatya Universitas Dian Nuswantoro
  • Sendi Novianto Universitas Dian Nuswantoro

DOI:

https://doi.org/10.33633/tc.v19i3.3630

Keywords:

Analisis Sentimen, Natural Language Processing, Multi-layer perceptron, Monte Carlo cross-validation

Abstract

Analisis sentiment biasa digunakan untuk opini minning dalam artian memberikan sebuah identitas/label (Positif, Negatif, Neutral) kedalam data/corpus.NLP (Natural Language Processing) digunakan untuk mengolah data/corpus agar dapat dipahami/dimengerti oleh mesin atau bisa dikatakan data preprocessing/cleaning text.Teks klasifikasi digunakan untuk memproses data/corpus dimasukan kedalam model mesin klasifikasi menggunakan model Multi-layer perceptron yang nantinya akan menghasilkan sebuah prediksi persentase akurasi  > 90% (lebih baik).Visualisasi data yang digunakan untuk mempresentasikan hasil dari model mesin yang merupakan supervised learning.Model selection digunakan untuk memperbaiki hasil persentase akurasi dari model mesin yang dilatih tadi ,untuk model selection bisa memakai model Monte Carlo cross-validation.Hasil pengujian pada sistem yang dibangun didapatkan nilai akurasi hingga 93,26 %.

Author Biographies

Nico Munasatya, Universitas Dian Nuswantoro

Mahasiswa Fakultas Ilmu Komputer Universitas Dian Nuswantoro

Sendi Novianto, Universitas Dian Nuswantoro

Dosen Fakultas Ilmu Komputer Universitas Dian Nuswantoro

References

I. F. Rozi et al., “Analisis Mengenai Calon Presiden Indonesia 2019 Di,” pp. 27–31, 2019.

M. A. Assuja and S. Saniati, “Analisis Sentimen Tweet Menggunakan Backpropagation Neural Network,” J. Teknoinfo, vol. 10, no. 2, p. 48, 2016, doi: 10.33365/jti.v10i2.20.

R. Collobert, J. Weston, L. Bottou, M. Karlen, K. Kavukcuoglu, and P. Kuksa, “Natural language processing (almost) from scratch,” J. Mach. Learn. Res., vol. 12, pp. 2493–2537, 2011.

G. A. Miller, R. Beckwith, C. Fellbaum, D. Gross, and K. J. Miller, “Introduction to wordnet: An on-line lexical database,” Int. J. Lexicogr., vol. 3, no. 4, pp. 235–244, 1990, doi: 10.1093/ijl/3.4.235.

M. S. Akhtar, A. Kumar, D. Ghosal, A. Ekbal, and P. Bhattacharyya, “A Multilayer perceptron based ensemble technique for fine-grained financial sentiment analysis,” EMNLP 2017 - Conf. Empir. Methods Nat. Lang. Process. Proc., pp. 540–546, 2017, doi: 10.18653/v1/d17-1057.

V. Singh and B. Saini, “An Effective Tokenization Algorithm for Information Retrieval Systems,” pp. 109–119, 2014, doi: 10.5121/csit.2014.4910.

A. I. Kadhim, Y. N. Cheah, and N. H. Ahamed, “Text Document Preprocessing and Dimension Reduction Techniques for Text Document Clustering,” Proc. - 2014 4th Int. Conf. Artif. Intell. with Appl. Eng. Technol. ICAIET 2014, pp. 69–73, 2015, doi: 10.1109/ICAIET.2014.21.

C.-F. Tsai, “Bag-of-Words Representation in Image Annotation: A Review,” ISRN Artif. Intell., vol. 2012, pp. 1–19, 2012, doi: 10.5402/2012/376804.

S. Al-Azani and E. S. M. El-Alfy, “Using Word Embedding and Ensemble Learning for Highly Imbalanced Data Sentiment Analysis in Short Arabic Text,” Procedia Comput. Sci., vol. 109, pp. 359–366, 2017, doi: 10.1016/j.procs.2017.05.365.

M. F. Muzakki, R. F. Umbara, F. Informatika, and U. Telkom, “Analisis Sentimen Mahasiswa Terhadap Fasilitas Universitas Telkom Menggunakan Metode Jaringan Saraf Tiruan Dan Tf-Idf,” vol. 6, no. 2, pp. 8608–8616, 2019.

A. Elmessiry, W. O. Cooper, T. F. Catron, J. Karrass, Z. Zhang, and M. P. Singh, “Triaging Patient Complaints: Monte Carlo Cross-Validation of Six Machine Learning Classifiers,” JMIR Med. Informatics, vol. 5, no. 3, p. e19, 2017, doi: 10.2196/medinform.7140.

S. Rosenthal, P. Nakov, A. Ritter, and V. Stoyanov, “SemEval-2014 Task 9: Sentiment Analysis in Twitter,” 2019, [Online]. Available: http://arxiv.org/abs/1912.02990.

K. R. SPORNE, “the Phylogenetic Classification of the Angiosperms,” Biol. Rev., vol. 31, no. 1, pp. 1–29, 1956, doi: 10.1111/j.1469-185X.1956.tb01550.x.

S. Chithore, “International Journal of Advance Engineering and Research Sentiment Analysis with Multilayer Perceptron using Emoticon Space Model,” pp. 410–419, 2017.

S. Budi, “Text Mining Untuk Analisis Sentimen Review Film Menggunakan Algoritma K-Means,” Techno.Com, vol. 16, no. 1, pp. 1–8, 2017, doi: 10.33633/tc.v16i1.1263.

Downloads

Published

2020-08-28

Issue

Vol. 19 No. 3 (2020): Agustus 2020

Section

Articles

License

Copyright (c) 2020 Nico Munasatya

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Pernyataan Lisensi

Artikel yang diterbitkan dalam jurnal Techno.Com dilisensikan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional (CC BY-NC 4.0).

Anda diperbolehkan untuk menyalin, mendistribusikan, menampilkan, dan melakukan karya dari artikel ini serta membuat karya turunan selama Anda memberikan kredit yang sesuai kepada penulis asli dan tidak menggunakan karya ini untuk tujuan komersial. Untuk melihat salinan lisensi ini, kunjungi [Creative Commons Attribution-NonCommercial 4.0 International](https://creativecommons.org/licenses/by-nc/4.0/).

---

Contoh pengkreditan:

- Penulis: [Nama Penulis]
- Judul Artikel: [Judul Artikel]
- Jurnal: Techno.Com, Vol. [Nomor Volume], No. [Nomor Edisi], Tahun [Tahun Penerbitan]

Jika Anda ingin menggunakan karya ini untuk tujuan komersial, Anda harus mendapatkan izin terlebih dahulu dari penulis atau penerbit.

---